联邦学习入门：数据不动，模型动

传统机器学习要把数据集中到一处训练，但数据常分散在手机、医院、银行，还涉及隐私合规。联邦学习（Federated Learning）的思路是：模型在各处本地训练，只上传更新，数据不出本地。

基本流程

• 中央服务器把初始模型分发给各参与方（客户端）。
• 每个客户端用本地数据训练几轮，得到模型更新。
• 客户端把更新（而不是数据）回传。
• 服务器聚合所有更新（如取平均），改进全局模型。
• 重复多轮，直到收敛。

为什么需要

• 隐私合规：数据不出域，满足医疗、金融的监管要求。
• 数据孤岛：多家机构各自持数据，难以集中，联邦让协作成为可能。
• 实时性：终端数据持续产生，本地更新比集中收集更及时。

主要挑战

• 通信成本：多轮往返传模型，带宽与延迟是瓶颈。
• 数据异构：各客户端数据分布不一致，影响收敛与公平。
• 客户端异构：设备算力、电量、在线状态差异大。
• 安全风险：模型更新仍可能泄露信息，需要差分隐私等加固（标已核验/待核实）。

典型应用

• 手机输入法：根据本地输入习惯优化，不上传原文。
• 医疗协作：多家医院联合训练影像模型，数据不出院。
• 智能风控：多机构共享欺诈模式而不共享客户明细。

小结

联邦学习用「数据不动、模型动」的方式解决了集中训练与数据隔离的矛盾，但换来了通信与异构的代价。它适合数据分散且隐私敏感的协作场景，落地时要把聚合策略与隐私加固一起设计。

参考与延伸阅读

• Communication-Efficient Learning of Deep Networks from Decentralized Data，McMahan et al.（已核验，联邦学习奠基论文）
• 本站「差分隐私」「AI 监管」相关教程